Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2 Departamento
3 Departamento
Resumen
En este trabajo se considera un nuevo enfoque para el estudio de la distribucin triangular usando el desarrollo terico detrs de las distribuciones
Skew. La distribucin triangular aqu entregada se obtiene por reparametrizacin de la distribucin triangular usual. Se estudian las principales propiedades probabilsticas, incluidos los momentos, coeficientes de asimetra y
kurtosis; adems, se muestra una representacin estocstica para el modelo
estudiado, que proporciona un mtodo sencillo y eficiente para la generacin
de variables aleatorias. As mismo, se implementa la estimacin por el mtodo de los momentos y, a travs de un estudio de simulacin, se ilustra el
comportamiento de las estimaciones de los parmetros.
Palabras clave: distribuciones skew, distribucin triangular, asimetra, kurtosis.
Abstract
In this paper a new approach is considered for studying the triangular
distribution using the theoretical development behind Skew distributions.
Triangular distribution are obtained by a reparametrization of usual triangular distribution. Main probabilistic properties of the distribution are studied,
a Instructor
145
146
1. Introduccin
a
147
(1)
(1)
Revista Colombiana de Estadstica 32 (2009) 145156
148
3. Representacin estocstica
En esta seccin se muestra la representacin estocstica de la distribucin triangular bajo la reparametrizacin dada en la seccin anterior.
Proposicin 1. Sean H e Y variables aleatorias independientes, donde H =
R1 R2 , con Ri variables aleatorias independientes de distribucin uniforme (0, 1)
1
para i = 1, 2 y P (Y = (1 + )) = 1+
2 , P (Y = (1 )) = 2 . Por tanto, si
W = |H|Y , entonces W T (0, 1, ), donde || < 1.
Demostracin.
FW (w) = P (W x)
= P (|H|Y w)
w
1
w
1+
1 P |H|
+
P |H|
=
2
1+
2
1
1+ 1+
w
1
w
FW (w) =
F|H|
+
F|H|
2
2
1+
2
1
Derivando, se tiene que
1
fW (w) = f|H|
2
w
1+
1
+ f|H|
2
Y si 0 <
w
1
fW (w) = 1 +
w
1+
fW (w) = 1
w
1
w
1
w
1+
< 1, entonces
< 1, se tiene
Luego,
fW (w) =
1+
1
w
1+ ,
w
1 ,
(1 + ) w 0;
0 < w 1 .
149
1+
2 ,
4. Momentos
4.1. Momentos
La representacin estocstica presentada en la proposicin 1 permite calcular de forma simple los momentos de la distribucin triangular, considerando la
independencia entre las variables aleatorias |H| e Y .
Proposicin 2. Sean W T (0, 1, ) y X T (, , ), con X = +W . Entonces
el n-simo momento de la variable X es dado por
n
i
i+1
i+1
X
n ni i (1) (1 + )
+ (1 )
n
n = E [X ] =
(4)
i
(i + 1) (i + 2)
i=0
Demostracin. Ya que X T (, , ), con X = + W , se tiene que
n
E [X n ] = E ( + W )
Pm
m
Considerando el teorema del binomio, (a + b) = k=0
n
X
n ni i h i i
n
E [X ] =
E W
i
i=0
m
k
mk k
a
b , se tiene
150
2
3
3 + 2
18
(5)
!
(6)
p
2 2 2 9
1 =
(7)
3/2
5 (2 + 3)
Debido que || < 1, entonces
p
2
2
2 1
2
5
5
(8)
151
4 41 3 + 621 2 341
2
(2 21 )
3+2
8n ,
Demostracin. Usando los resultados dados en las ecuaciones (5) y (6) para
W T (0, 1, ), se tiene que
a) E [b
M ] = E
3
2
W =
3
2n
n
P
i=1
E [Wi ] =
3 2
2 3
152
b) ECM (b
M ) = V (b
M ) =
9
4n2
n
P
V (Wi ) =
i=1
9
4n
3+2
18
3+2
8n
0.9
0.7
0.5
0.3
0
0.3
0.5
0.7
0.9
n = 30
bM (SD)
0.898(0.129)
0.699(0.121)
0.497(0.110)
0.298(0.116)
0.000(0.113)
0.297(0.115)
0.502(0.117)
0.696(0.121)
0.903(0.126)
n = 50
bM (SD)
0.903(0.098)
0.699(0.093)
0.501(0.089)
0.301(0.087)
0.003(0.086)
0.296(0.088)
0.498(0.090)
0.700(0.095)
0.902(0.098)
n = 100
bM (SD)
0.899(0.069)
0.700(0.066)
0.497(0.061)
0.300(0.061)
0.000(0.061)
0.300(0.062)
0.501(0.065)
0.702(0.068)
0.903(0.069)
n = 200
bM (SD)
0.898(0.048)
0.700(0.046)
0.499(0.044)
0.299(0.044)
0.001(0.042)
0.301(0.044)
0.499(0.044)
0.700(0.047)
0.900(0.048)
1 + 32
2 3 1 + 2
3
3
2
E X = 2 +
2
5
mientras que los momentos muestrales son
E [X] =
(11)
(12)
(13)
Xk =
1X k
X
n i=0 i
(14)
153
b2 1 + 3b
2M
4b
M
bM bM
+ M
=X 2
b2M
3
6
2
2b
3 bM 1 + b2M
bM
bM
1 + 3b
2M
M
=X 3
2b
2M
bM bM +
2
5
bM
b3M
(15)
E2
E3
E1
E2
E3
E1
E2
E3
(17)
154
j
P
i=1
j
P
i=1
bi /j,
bM =
j
P
i=1
bi /j y
10
15
20
10
10
15
20
10
3
4
5
2
0
0.5
0.5
3
4
5
2
0
0.5
0.5
bM (SD)
9.929(0.402)
14.994(0.538)
20.974(0.677)
9.986(0.501)
9.956(0.626)
9.948(0.696)
5.003(0.302)
4.929(0.319)
5.106(0.310)
bM (SD)
9.952(0.359)
14.989(0.506)
19.982(0.657)
10.028(0.419)
9.980(0.475)
9.945(0.536)
4.995(0.237)
4.954(0.271)
5.043(0.266)
n = 100
bM (SD)
1.967(0.136)
1.975(0.133)
1.983(0.138)
2.982(0.213)
3.987(0.269)
4.949(0.325)
1.986(0.137)
1.987(0.146)
2.008(0.141)
n = 200
bM (SD)
1.972(0.102)
1.990(0.103)
1.989(0.104)
2.990(0.157)
3.983(0.213)
4.973(0.257)
1.982(0.106)
1.994(0.118)
1.993(0.113)
bM (SD)
0.023(0.169)
0.004(0.163)
0.002(0.160)
0.003(0.162)
0.009(0.170)
0.008(0.159)
0.003(0.162)
0.467(0.192)
0.431(0.181)
bM (SD)
0.015(0.112)
0.001(0.112)
0.002(0.112)
0.010(0.112)
0.004(0.110)
0.010(0.111)
0.000(0.112)
0.478(0.157)
0.475(0.155)
6. Comentarios finales
En este trabajo, se ha considerado un nuevo enfoque para la presentacin de
la distribucin triangular con los conceptos de distribuciones Skew. Tal representacin de la distribucin triangular permite enriquecer aspectos inferenciales y
propiedades de la distribucin triangular. El mostrar una representacin estocstica para el modelo en cuestin da ciertas ventajas al llevar a cabo algn estudio de
simulacin, ya que la representacin estocstica permite la generacin de variables
Revista Colombiana de Estadstica 32 (2009) 145156
155
Agradecimientos
Los autores agradecen a los rbitros y a la editora por sus valiosos comentarios.
La investigacin de H.W. Gmez ha sido parcialmente financiada por el Proyecto
FONDECYT (Chile), 1060727. J. F. Olivares-Pacheco agradece a la Comisin Nacional de Ciencia y Tecnologa-CONICYT por financiar sus estudios de doctorado
en la Pontificia Universidad Catlica de Chile. El trabajo de H. Bolfarine ha sido
parcialmente financiado por CNPq-Brasil.
Referencias
Arellano-Valle, R. B., Gmez, H. W. & Quintana, F. A. (2005), Statistical Inference for a General Class of Asymmetric Distributions, Journal of Statistical
Planning and Inference 128, 427443.
Ayyangar, A. S. K. (1941), The Triangular Distribution, Mathematics Student
9, 8587.
Azzalini, A. (1985), A Class of Distribution which Include the Normal Ones,
Scandinavian Journal of Statistics 12, 171178.
Clark, C. E. (1962), The PERT Model for the Distribution of an Activity, Operations Research 10, 405406.
Elal-Olivero, D., Gmez, H. W. & Quintana, F. A. (2009), Bayesian Modeling
using a Class of Bimodal Skew-Elliptical Distributions, Journal of Statistical
Planning and Inference 139, 14841492.
Genton, M. G. (2004), Skew-Elliptical Distributions and their Applications: A
Journey Beyond Normality, Chapman & Hall/CRC.
Grubbs, F. E. (1962), Attempts to Validate Certan PERT Statistics or a Picking
on PERT, Operations Research 10, 912915.
Johnson, D. (1997), The Triangular Distribution as a Proxy for the Beta Distribution in Risk Analysis, The Statistician 46, 387398.
Revista Colombiana de Estadstica 32 (2009) 145156
156